[论文解读] Robust and Efficient Depth-based Obstacle Avoidance for Autonomous Miniaturized UAVs

Hanna Müller, Vlad Niculescu+3 more|arXiv (Cornell University)|Aug 26, 2022

Robotics and Sensor-Based Localization被引用 4

一句话总结

本文提出一种轻量级、机载的障碍物避让系统，专为纳米无人机设计，采用定制的64像素多区域飞行时间（ToF）传感器和无模型控制策略。该系统在未知室内环境中以0.5 m/s的速度运行时实现了100%的可靠性，CPU占用率仅为0.3%，功耗不足总无人机功耗的10%，从而实现在Crazyflie 2.1等资源受限平台上的自主飞行。

ABSTRACT

Nano-size drones hold enormous potential to explore unknown and complex environments. Their small size makes them agile and safe for operation close to humans and allows them to navigate through narrow spaces. However, their tiny size and payload restrict the possibilities for on-board computation and sensing, making fully autonomous flight extremely challenging. The first step towards full autonomy is reliable obstacle avoidance, which has proven to be technically challenging by itself in a generic indoor environment. Current approaches utilize vision-based or 1-dimensional sensors to support nano-drone perception algorithms. This work presents a lightweight obstacle avoidance system based on a novel millimeter form factor 64 pixels multi-zone Time-of-Flight (ToF) sensor and a generalized model-free control policy. Reported in-field tests are based on the Crazyflie 2.1, extended by a custom multi-zone ToF deck, featuring a total flight mass of 35g. The algorithm only uses 0.3% of the on-board processing power (210uS execution time) with a frame rate of 15fps, providing an excellent foundation for many future applications. Less than 10% of the total drone power is needed to operate the proposed perception system, including both lifting and operating the sensor. The presented autonomous nano-size drone reaches 100% reliability at 0.5m/s in a generic and previously unexplored indoor environment. The proposed system is released open-source with an extensive dataset including ToF and gray-scale camera data, coupled with UAV position ground truth from motion capture.

研究动机与目标

• 在计算与功耗极低的前提下，实现纳米无人飞行器在室内环境中的完全自主导航。
• 解决在复杂、未知的室内环境中使用紧凑、低功耗传感器实现可靠障碍物避让的挑战。
• 开发一种对传感器噪声、光照变化和运动模糊具有鲁棒性的感知流程，同时满足严格的尺寸、重量与功耗（SWaP）约束。
• 构建一个系统，为未来扩展（如传感器融合或高级感知）保留充足的计算与能量余量。
• 提供一个开源数据集，包含ToF数据、摄像头数据与真实运动捕捉数据，以支持未来在纳米无人机自主性方面的研究。

提出的方法

• 在Crazyflie 2.1纳米无人机上部署定制的多区域ToF模块，配备64像素（8×8）深度传感器，仅增加35克总质量。
• 采用无模型控制策略，直接处理深度数据，无需预训练神经网络或针对特定环境重新训练。
• 在STM32F405微控制器上实现全部感知与控制逻辑，仅使用其0.31%的处理能力，每帧执行延迟为210 µs。
• 以15 fps的帧率运行，功耗极低——包括升力与传感器运行在内的总功耗不足总功耗的10%。
• 集成IMU与光流模块用于状态估计，而ToF传感器则提供前向深度感知以实现障碍物避让。
• 系统设计具备对传感器噪声、运动模糊及光照变化的鲁棒性，依赖ToF测距的固有稳定性与空间滤波技术。

实验结果

研究问题

• RQ1 紧凑、低功耗的深度传感器是否能够在无外部计算支持的情况下，实现纳米无人机在未知室内环境中的可靠障碍物避让？
• RQ2 如何设计一种无模型控制策略，使其在低维深度输入（64像素）下仍能保持高可靠性与低计算成本？
• RQ3 轻量级感知系统在纳米无人机严格的功耗与尺寸约束下，能在多大程度上实现运行，并为未来扩展保留余量？
• RQ4 该系统是否能在无基础设施支持的多样化、非结构化室内环境中，以低速（如0.5 m/s）实现100%的可靠性？
• RQ5 与传统的单束或基于视觉的系统相比，多区域ToF传感器在纳米无人机应用中，在鲁棒性与能效方面表现如何？

主要发现

• 系统在0.5 m/s的速度下，于此前未探索过的室内办公室环境中实现了100%的自主飞行可靠性，多次测试中无任何碰撞记录。
• 感知与控制流水线仅消耗机载STM32F405微控制器0.31%的处理能力，每帧延迟为210 µs。
• ToF传感器及其相关电子元件的总功耗低于无人机10 W总功耗预算的10%，支持约7分钟的飞行时间。
• 该系统在真实室内测试中成功导航了长达212米的距离，展现出良好的可扩展性与鲁棒性。
• 开源数据集包含同步的ToF、灰度摄像头与运动捕捉真值数据，可支持未来感知与控制方面的研究。
• STMicroelectronics公司定制的64像素多区域ToF传感器在尺寸、精度与像素数量方面，是首个符合此类形态、精度与像素密度要求的商用解决方案，实现了低功耗下的高效深度感知。